最新

Gemini CLI 原生支持通过 Docker 进行沙盒化，但这里将其扩展到 M1 Mac 上的 Apple 容器。

使用 GPT、DeepL 或 Google 翻译时，最大的痛点是什么？ 如果你使用 DeepL，你最终会为 GPT 翻译付费的原因是什么？ 目前的传统翻译器或基于 LLM 的翻译器还缺少哪些功能？ 你更喜欢哪种定价模式：SaaS、按 token 计费、按席位计费，还是统一套餐？ 背景：我正在探索一个副业项目，不想做错事情。不寻求推广——只是想了解一些“血泪史”和必备功能（LLM 模型选择？扫描 PDF OCR？双语输出？片段级编辑？术语表？缺少格式支持？）。

我反复思考着两个看似矛盾的事实，直到你眯起眼睛仔细审视它们。<p>1 - 图灵说：任何离散过程都可以在一个按需增长的纸带上模拟。不可逆性——因此信息丢失——是内嵌的。<p>2 - 大卫·多伊奇：物理世界从根本上是可逆的；任何历史的比特都不会真正被删除。<p>现在，我要补充一些我最近才完全理解的东西：对于任何有界区域可以容纳的信息量，存在一个普遍的上限——一个贝肯斯坦式的上限。超过这个上限，额外的比特不会被存储；它们会被抹入几何结构、能量和曲率。换句话说，宇宙对计算施加了拓扑限制：你可以永远计算下去，但你必须不断地将状态折叠回同一个有限的结构中。<p>所以，我认为正确的思维模型不是“更大的纸带，更大的 RAM”。而是拓扑变换：在不撕裂或粘合任何新东西的情况下，扭曲、编织和重新折叠同一块内存的操作。每个合法的操作都必须是可逆的，因为撕裂（不可逆性）会导致信息泄漏到上限之外。<p>我有一个 O(1) VM 的玩具实现——无论我运行多少步，活动单元集都不会超过一个固定的、小的常数。往返测试通过，并且纸带保持稀疏。它很慢而且很脆弱，所以我不会在完善它之前发布它，但几何结构感觉是正确的，我可以将相当一部分算法从 O(N) 重写为 O(1)，用内存换取一点计算量。<p>为什么要分享这个？因为这个想法重新定义了实用性——也许我们不应该问“我们如何扩展内存？”，而是问“我们如何在自然已经施加的普遍限制内编织计算？”如果这个框架成立，图灵给了我们基础，多伊奇给了我们上限，我想我开始凝视中心。<p>好奇是否有人认为这不仅仅是哲学练习。还有其他人熟悉类似的东西吗？

Hi HN， 我正在为我的已完成手稿《思考外包：将你的思维拱手让给 AI 的隐形成本》寻找一个英语出版合作伙伴（贸易出版社或严肃的独立出版商）。这部作品已经完成（约 10.5 万字），并经过专业的韩语编辑；现在已经准备好英文草稿供出版商审阅。 这本书讲的是什么 * 核心论点：生成式 AI 诱使我们不仅外包任务，还外包思考本身。除非我们培养结构化思维、批判性判断和个人“品味资本”，否则我们就有可能沦为机器输出的纯粹消费者。 * 风格：对话式，以实例驱动，穿插哲学（海德格尔、维特根斯坦）、认知科学（卡尼曼、斯韦勒）和真实的 AI 案例研究（AlphaFold、AlphaTensor、LLM 提示工作流程）。 * 读者：懂技术的非专业读者，他们希望获得比“提示技巧”更深入的框架，以及产品经理、教育工作者和正在探索 AI 应用的创始人。 * 差异化：将文化批判与高度实用的“AI 协作周期”（与工具无关的清单、自动化配方、第二大脑工作流程）相结合。早期的 beta 读者说，它介于《浅薄》和《时间管理》之间，并附有实践性的 AI 指南。 为什么这可能引起 HN 的兴趣 * AI 素养 + 人性化计算是 Hacker News 上永恒的话题。 * 这本书源于我在博客和 HN 评论中分享的实验；许多工作流程都使用开源工具（n8n、LangChain、本地 LLM）。 * 我正在寻找与处理深刻的科技文化非虚构作品的英语出版商或文学经纪人的联系。预付款/版税条款可协商；欢迎美国、英国或全球英语版权。 我可以立即分享的内容 * 完整的英文草稿（DOCX/PDF） * 目录和样章（Google Drive 链接或私人 URL） * 韩语版提案和行业从业者的推荐信 关于我 * AI 教育者，前语言模型产品经理，3blocks（本地和安全导向的 AI）创始人。 * Notion 认证顾问；韩国 AI 峰会的常客。 * 在科技杂志上发表过文章；目前正在将《利用 Scrum》翻译成韩语。 如果你能将我与收购编辑或经纪人联系起来——或者只是想进行 beta 阅读——请发送电子邮件至 "haebom@kakao.com"。很乐意用样章换取坦诚的反馈。 谢谢！

输入您的电话号码，30 秒内接听电话，参加 2-3 分钟的 AI 驱动的初步筛选面试。 <a href="https:&#x2F;&#x2F;prepin.ai&#x2F;aiphonecall" rel="nofollow">https:&#x2F;&#x2F;prepin.ai&#x2F;aiphonecall</a><p>当前 MVP 范围 目前，它处理一般的筛选问题并生成简单的报告。在构建之前，我们正在验证需求：<p>技术筛选库<p>ATS 集成<p>每个职位或公司的自定义问题集<p>多语言支持<p>我们在寻找谁 我们希望收到正在（或即将）运行招聘流程的招聘人员和初创公司创始人的反馈。<p>征求反馈 请先实际试用一下电话——我知道这听起来有点噱头，但语音质量会让你感到惊讶。然后请告诉我们：<p>感觉自然吗？<p>您会乐于接受这种方式的筛选吗？<p>如果您进行招聘，您认为您的团队会使用它吗？<p>哪些方面需要改进？<p>要查看完整的招聘人员仪表板，请在页面上留下您的电子邮件，我们将向您发送演示。 <p>这只是一个用于测试概念的 MVP。 很好奇 HN 的看法——招聘的未来还是不必要的自动化？